MetodologiaData warehouse

Prévia do material em texto

PROPOSTA DE METODOLOGIA PARA DESENVOLVIMENTO DE 
DATA WAREHOUSE VISLUMBRANDO ATINGIR METAS 
PARCIAIS 
 
 
Fábio Câmara Araújo de Carvalho, Mestrando 
João Ernesto Escosteguy Castro, M. Eng. 
 
LABSAD – Laboratório de Sistemas de Apoio à Decisão – UFSC/CTC/EPS - Caixa Postal 476 – Campus 
Universitário – Trindade - CEP-88040-900 - Florianópolis/SC – fbcamara@eps.ufsc.br, castro@eps.ufsc.br 
 
Cristiano Hugo Cagnin, Mestrando 
Aline França de Abreu, PhD 
 
IGTI – Instituto para Gestão da Tecnologia de Informação – UFSC/CTC/EPS - Caixa Postal 476 – Campus 
Universitário – Trindade - CEP-88040-900 - Florianópolis/SC – cagnin@eps.ufsc.br, aline@eps.ufsc.br 
 
 
 
Abstract 
 
 The objective of this work is to propose a model for creation of integrated databases (Data Ware-
house) that assists to the technical requirements and the needs in skilled time. 
 For that, a common theoretical model will be described among several authors and what happens in 
the practice of introduction of data warehouse in the companies will also be described. The new model will 
be proposed. It will also be made critics for both cases, and comments about strategical information systems 
and the importance of human capital in enterprises. 
 
keywords: data warehouse, strategical information systems, human capital. 
 
Área Temática: Gestão da Informação 
 
 
Resumo 
 
 O objetivo deste trabalho é propor um modelo de criação de base de dados integra-
da (Data Warehouse) que atenda aos requisitos técnicos e às necessidades de resposta à 
tomada de decisão em tempo hábil. 
 Para isso, será descrito um modelo teórico comum entre diversos autores e o que 
ocorre na prática de implementação de data warehouse nas empresas. Também serão fei-
tas críticas a ambas as abordagens, além de comentários sobre alguns sistemas de informa-
ção estratégicos e a importância do capital humano nas empresas. 
 Em seguida, serão descritos problemas que normalmente ocorrem com terceiriza-
ções e, posteriormente, será proposto o modelo em si. 
 
 
 
 
1. Introdução 
 
 No cenário atual, as empresas vêm buscando novos mercados e vantagem competi-
tiva através da adaptação de seus sistemas de informação para captação, tratamento, distri-
buição e disseminação de informação dentro e fora da mesma. As organizações também 
aproveitam de novas tecnologias para compartilhar o conhecimento entre todos que parti-
cipam do processo de dinamizar o negócio, o capital humano da empresa. 
 A busca de novos mercados faz com que se utilize de sistemas de informação (SIs), 
que, na quase totalidade dos casos, são implementados de forma independente, para cada 
setor da empresa, para obter apoio na tomada de decisão e, consequentemente, vantagem 
competitiva. 
 A utilização de SIs independentes cria um aumento do volume de dados desagrega-
dos, que geram informações não confiáveis. 
 O problema é ainda maior quando empresas, no ambiente de mercado globalizado, 
incorporam outras, adquirindo, dessa forma, sistemas legados diferentes daqueles utiliza-
dos por elas. 
 Verifica-se então a crescente necessidade de busca de dados e informações integra-
das. Nesse contexto, é proposta uma base de dados trabalhando sobre sistemas operacio-
nais heterogêneos. Essa base é conhecida como um grande armazém de dados chamado 
data warehouse. 
 Segundo Inmon (1997), “data warehouse é um conjunto de dados baseado em as-
suntos, integrado, não-volátil, e variável em relação ao tempo, de apoio às decisões ge-
renciais”. 
 O data warehouse, segundo a maioria dos modelos teóricos propostos pelos autores 
(Inmon, 1997, Brackett, 1996, Harrison, 1998, Meyer, 1998, dentre outros), utiliza as ba-
ses de dados do nível operacional para construir um sistema de dados históricos em forma 
bruta ou razoavelmente resumidos. 
 Essa nova filosofia de armazenamento de dados vem sendo proposta para reunir as 
informações contidas nas diversas bases de dados não-integradas existentes nas organiza-
ções que geram relatórios imprecisos, dados redundantes e desconexos, dentre outros, que 
proporcionam uma ineficiência global das ferramentas de suporte à tomada de decisão. 
 Os principais clientes de um data warehouse são aqueles que tomam ou que auxili-
am na tomada de decisão. Dentre esses, pode-se citar: gerentes, de um modo geral, e ana-
listas de SAD (Sistemas de Apoio à Decisão). 
 Atualmente sistemas como EIS (Sistemas de Informações Executivas) e ferramen-
tas como OLAP (Processamento Analítico On-Line), além de data marts - que surgiram 
com o advento da filosofia de data warehouse -, estão buscando dados diretamente do am-
biente operacional; gerando assim uma visão limitada à abrangência das bases nas quais se 
buscam os dados. Dessa forma, o data warehouse é proposto para proporcionar uma a-
brangência global e integrada para esses sistemas, ferramentas e bases específicas depar-
tamentais. 
 Nesse cenário, o data warehouse é, literalmente, um grande armazém organizado 
que fornece dados e informações aos sistemas gerenciais. Além disso, há um vislumbra-
mento de democratização das informações gerenciais departamentais, e um achatamento e 
mistura dos sistemas classificados como de apoio à decisões hierarquicamente estruturados 
(ESS, MIS, DSS, KWS, OAS, e TPS), segundo Laudon e Laudon (1996, p. 19). 
 
 2
 
2. Descrição do Modelo Teórico 
 
 No modelo teórico, entendido como comum entre os diversos autores citados, o 
data warehouse é construído tendo como origem um nível chamado operacional (OLTP – 
On-Line Trasaction Processing), onde se encontram as fontes de dados (planilhas eletrôni-
cas, documentos, dados transacionais de produção, marketing, recursos humanos, finanças, 
contabilidade e bases externas). 
 Meyer (1998) apresenta uma figura que mostra uma solução de arquitetura de dados 
proposta pela IBM. 
 
Cliente OLAP Data Mining Acesso Web Servidor OLAP 
 
 
 
Camada de 
Acesso de 
Dados 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Rede Local 
OLAP
Metadados 
Dados 
Metadados 
Dados 
Metadados 
Datamart de 
Vendas/Marketing 
Metadados 
Datamart 
Financeiro 
subseting, sumarizar, customizar, indexar, convergir/unir, categorizar 
Metadados do Data Warehouse
Data Warehouse 
Estrutura Organizacional da Empresa 
extração, transformação, carregamento 
Estruturado Individualmente 
Estruturado Departamentalmente
Camada de 
Armazenamento 
de Dados – 
Individual 
Camada de 
Armazenamento 
de Dados – 
Departamental 
Metadados 
Alta Velocidade de Conexão de Rede 
OLTP de 
Dados 
Correntes 
Fita Magnética - 
OLTP de dados 
arquivados 
OLTP de 
Dados 
Correntes 
Camada de 
Armazenamento 
de Dados – 
Organizacional 
Camada de 
Aquisição de 
Dados 
Sistemas de 
Fontes 
Legadas 
 
Figura 1: solução de arquitetura de dados proposta pela IBM, Meyer (1998) 
 
 3
 No nível dos sistemas de fontes legadas, que se denominou também de operacional, 
encontra-se tudo o que se produz de dados, tanto históricos desconexos (arquivos em papel 
ou eletrônicos), quanto dados que suportam as operações diárias das empresas encontradas 
nas diversas bases de dados heterogêneas da organização. 
 Na camada de aquisição de dados, os softwares gerenciadores de data warehousing 
realizam a extração, a limpeza, a agregação, a sumarização, a consolidação e o carrega-
mento dos dados constantes nas diversas bases operacionais para uma única base integrada. 
 Na camada de armazenamento de dados organizacionais, encontra-se a dita base 
integrada: o data warehouse. Também se encontra aqui a ferramenta chamada de Metada-
dos, que pode ser comparado a um dicionário e um mapa de dados, pois através dele se 
pode saber quais os dados existentes, o que eles significam, onde estão alocados e como 
acessá-los. Assim, Metadados pode ser visto como dados sobre dados. 
 A partir dessa camada, as bases são derivadas da anterior. Na camada de armaze-
namento de dados departamentais, nos chamados data marts, encontram-se bases específi-
case com informações úteis para a tomada de decisão gerencial de interesse dos departa-
mentos. 
 Entram em cena ferramentas denominadas OLAP (On-Line Analitical Processing). 
Segundo Brackett (1996), OLAP é “o processamento que suporta a análise da tendência e 
projeções do negócio. É também conhecido como processamento de suporte a decisão”. 
 Inmon (1997) aborda que a noção de tempo de resposta no acesso a informações no 
ambiente OLAP é bem diferente do OLTP. O tempo de resposta para o OLTP geralmente 
é medido em segundos e minutos, por isso é considerado um fator crítico nesse ambiente, 
pois, quando este fica ruim, os negócios são afetados de forma imediata. Como no OLAP 
não ocorre um relacionamento tão direto, esse fator deixa de ser crítico, no momento em 
que o tempo de resposta para esse ambiente pode ficar em torno de horas, e até em dias. 
 Enquanto que o OLTP trabalha com dados que movimentam o negócio em tempo 
real, o OLAP trabalha com dados históricos no sentido de gerar informações para analisar 
o negócio. O OLTP, então, passa a ter a função de alimentar uma base de dados, a qual o 
OLAP a utilizará para a “transformação do conteúdo em uma forma útil de informações 
que possam ser entregues a um grande número de usuários. Os documentos OLAP – re-
presentação de dados em relatórios e gráficos – são criados ‘dinamicamente’ – o aspecto 
‘on-line’ do OLAP – para atender às necessidades de informação do usuário” (Harrison, 
1998). 
 O OLAP, em geral, executa cinco funções básicas, que são: de interface, de consul-
ta, de processo, formato e exibição. (Harrison, 1998). 
 A camada de armazenamento de dados individual, pode ser considerada como um 
extrato do data mart departamental para atender à necessidade de setores departamentais. 
Figuram nessa camada ferramentas OLAP de Metadados derivadas do data warehouse. 
 A camada de acesso de dados pode constar de inúmeras ferramentas de apoio a de-
cisão, entre elas: Cliente/Servidor OLAP, Data Mining, Cliente/Servidor Web, EIS (Siste-
mas de Informações Executivas) e ferramentas SAD (Sistemas de Apoio à Decisão) de um 
modo geral. 
 O acesso via OLAP pode ser realizado através das mesmas aplicações que são utili-
zadas para os data marts. O acesso via Web pode ser feito por meio de navegadores de 
hipertexto (browsers) ou aplicações específicas integradas ao Browser. A vantagem dessa 
última é a interface e a rapidez, quando se possui um data warehouse ou data mart para 
Internet/Intranet. 
Enquanto se projetam armazéns de dados históricos (Data Warehouse) para forne-
cer a memória da empresa, o Data Mining (mineração de dados) explora e analisa essa 
memória para produzir conhecimento, ou seja, a inteligência artificial se aproximando da 
necessidade empresarial. Isso é feito através de meios automáticos ou semi-automáticos. 
 4
Empregam-se técnicas de estatística, da ciência da computação e de Inteligência Artificial 
para realizar tarefas como classificação, estimativas, previsões, agrupamento por afinidade, 
reunião e descrição. 
 Alguns fatores para se implementar o data mining são: 1. Os dados estão sendo 
produzidos; 2. Os dados estão sendo armazenados; 3. O poder da computação está disponí-
vel a preços acessíveis; 4. A pressão competitiva é forte e 5. Os softwares de data mining 
comerciais tornaram-se disponíveis. (Harrison, 1998). 
 Dentre as técnicas utilizadas, cita-se: 1. Análise de seleção estatística; 2. CBR (ra-
ciocínio baseado em casos); 3. Algoritmos genéticos; 4. Detecção de agrupamentos; 5. 
Análise de vínculos; 6. Árvores de decisão e indução de regras; 7. Redes neurais artificiais 
e 8. Visualização. 
 As ferramentas de EIS, que não estão contempladas na Figura 1, são as mais antigas 
existentes, mesmo antes de se pensar em base de dados integrada. Antes disso a obtenção de 
informações se dava diretamente do ambiente operacional. Com o advento do data warehouse 
essa ferramenta ganhou o poder de proporcionar informações mais abrangentes e confiáveis. 
 Tanto o acesso via Web quanto o EIS podem utilizar de data marts e OLAP. Po-
rém, o data mining extrai informações diretamente do data warehouse pela necessidade do 
mesmo fazer uma varredura (scanning) em toda base de dados, podendo assim obter in-
formações inesperadas. 
 Dessa forma, a criação desse cenário vislumbrado na Figura 1 se dá de forma se-
quencial, teoricamente de baixo para cima, e a previsão de duração para conclusão é, se-
gundo Kimball (1996), para grandes empresas, em média, de 3 anos. 
 
3. Descrição do que Ocorre na Prática 
 
 Na realidade da grande maioria das organizações, torna-se imprescindível respostas 
e retorno a curto e médio prazos. Assim, poucas são as empresas que se aventuram num 
projeto de implementação de data warehouse, como é proposto teoricamente, para posteri-
ormente poderem obter informações/resultados não apenas de apoio à tomada de decisões 
como também de descobertas de novas tendências. 
 O dinamismo do atual mercado junto com a necessidade de constantes informações 
para que as empresas possam, no mínimo, se manter nesta acirrada competição, fazem com 
que as mesmas busquem qualquer informação (desconexa ou não) que as permita tentar 
entrar na disputa por novos clientes e na manutenção daqueles considerados como tal. 
 A primeira aplicação utilizando da filosofia OLAP como forma de obtenção de in-
formações de cunho gerencial (de apoio à tomada de decisão) foi desenvolvida para dar 
suporte a sistemas de informações executivas – EIS. 
 Um exemplo desse tipo de aplicação é o software da empresa Pilot (Meyer, 1998, 
Groth, 1998). O mesmo realiza consultas a partir das bases operacionais, utiliza a filosofia 
OLAP e possui uma interface e técnicas de EIS. 
 No mercado existem softwares, soluções como a da Figura 1, da IBM. Porém, o 
custo e o tempo de desenvolvimento, além do tempo de retorno, fazem com que apenas 
empresas de grande porte e/ou de visão futura realizem uma implementação deste nível. 
 As soluções alternativas buscadas se aproximam do modelo do software Lightship 
(da Pilot), desenvolvendo uma espécie de data mart a partir das bases operacionais utili-
zando técnicas OLAP. 
 A idéia é inverter a seqüência de implementação teórica da Figura 1, realizando no 
sentido de cima para baixo, ou seja, partir das bases setoriais, data marts individuais e/ou 
departamentais, para convergir para uma base única; ao invés de estudar as bases operacio-
nais, projetar, desenvolver o data warehouse. 
 5
 O importante é obter retornos em áreas específicas em um tempo hábil, utilizando o 
que existe no mercado. Não há grandes preocupações e/ou tempo para construir uma base 
única e integrada, dando uma visão global da empresa. No entanto, é de vital importância 
possuir dados de toda empresa para se obter informações mais confiáveis e, consequente-
mente, um melhor posicionamento e/ou sobrevivência no mercado. 
 
4. Modelo Teórico x Realidade 
 
 Segundo Brackett (1996) “o desafio das organizações é parar de criar dados des-
conexos (dados essencialmente diferentes e que não comportam qualquer comparação) 
para se criar e transformar estes em dados integrados que darão suporte e atenderão a 
demanda de informações presente e futura. Assim, deve-se desenvolver bons metadados 
para que as pessoas saibam quais os dados existentes, o que eles significam, aonde estão 
alocados e como acessá-los”. 
 No entanto, segundo este mesmo autor, “o real desafio, contudo, é aprender a so-
breviver com dados desconexos enquanto se desenvolve dados (base de dados - data wa-
rehouse) integrados”. 
 Os modelos teóricos dos diversos autores têm a filosofia de que se deve construir 
um data warehouse para se obter informação integrada, assim as pessoas têm de “se virar” 
para conviver com o caos existente pela não-integração durante os anos em que se imple-
menta essa filosofia. Além disso, não propõem alternativas para se extrair resulta-
dos/retornos parciais, de curto/médio prazo. 
 Por outro lado, do pontode vista mercadológico, as empresas que se dizem prove-
doras de “soluções” corporativas, fornecem produtos que, mesmo funcionando, só servem 
para atender às necessidades mínimas e imediatas das organizações. 
 Confrontando a teoria e a prática, um personagem em comum, que é fator crítico de 
sucesso, é o chamado Metadados. Na teoria, todos os autores ressaltam a importância dos 
mesmos para que o data warehouse e os data marts funcionem de forma efetiva. 
 Na prática, os metadados ainda estão sendo deixados de lado ou mesmo sendo igno-
rados em sua importância, e não estão sendo implementados com as aplicações mais co-
mercializadas. 
 Pelo que se observa, dificilmente as organizações que optam pelo modelo prático 
de construção de um data warehouse, a partir dos data marts, conseguirão sucesso sem um 
criterioso planejamento e uma boa ferramenta de metadados, para que no momento em que 
se vá fazer a união das bases de dados, não ocorra o problema inicial, de redundância, des-
conexão de dados, etc. 
 Ainda, nesse contexto, como se vai fazer data mining em data marts? Mesmo que a 
partir do data marts se desenvolva um data warehouse, haverá ou não necessidade de se 
realizar data mining nos data marts? 
 Da mesma forma que se trabalha com EIS baseado em algumas bases operacionais, 
com um relativo sucesso, pode-se também realizar um data mining baseado em diversas 
bases departamentais, com um possível sucesso. Porém, a filosofia do data mining está em 
procurar por relações impensadas e situações não previstas, necessitando, dessa maneira, 
do maior número de informações possível. Portanto, é imprescindível que se tenha um 
data warehouse. 
Pode-se até fazer um data mining em bases departamentais, mas é muito mais com-
plicado, tecnicamente, implementá-lo. Além disso, é menos confiável, menos efetivo e 
menos produtivo, do ponto de vista de não aproveitar o potencial existente em uma base 
única e integrada, com o maior número de informações possíveis. 
 
 6
5. Proposta de Modelo 
 
 Entendendo que o modelo teórico é o ideal para se buscar uma base de dados inte-
grada, segura e confiável, a proposta que será feita tem como base a teoria comum dos au-
tores já comentados. 
 No entanto, o fator chave que diferencia este modelo do teórico, é a possibilidade 
de obtenção de resultados parciais a curto prazo. 
 Na maioria das empresas, os gerentes da alta administração não costumam realizar 
investimentos em projetos que demandem grande quantidade de tempo e recursos e com 
Retorno Sobre Investimento (ROI) demorado. 
 Quando isso ocorre, essa demora generalizada de retorno e de resultados, surge um 
clima organizacional de desconfiança e descrença da tecnologia. 
 Além disso, pelo que já foi descrito do modelo proposto na prática, conclui-se que 
não há nada que comprove que o mesmo irá convergir para uma base única integrada. En-
tão o empresário acaba investindo em tecnologias que não irão chegar onde as mesmas 
“prometem”. O que deveria ser solução, torna-se, então, mais um componente problemáti-
co e agravante das chamadas “ilhas de informação”, com dados e informações desencon-
tradas, perdidas e que não chegam às pessoas certas, no lugar certo, no momento certo. 
 Assim, será proposto um modelo baseado na Figura 2 a seguir: 
 
OLAPs 
DATA MARTs
Metadados
EISs 
DM
OLAPs 
DATA MARTs
Metadados
EISs
DM
OLTP OLTP OLTP OLTP OLTP 
DATA WAREHOUSE 
Metadados 
OLAPs 
DATA MARTs 
Metadados
EISs 
DM 
ETAPA 1 ETAPA 2 ETAPA 3 ETAPA N 
Tempo (Evolução) 
OLTP 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Figura 2: Modelo de Desenvolvimento Proposto 
 
 7
 A principal idéia proposta por este modelo (Figura 2) é a existência de uma simul-
taneidade no desenvolvimento tanto do data warehouse como o de ferramentas OLAP, EIS 
e data mining. Isso se daria através de um planejamento minucioso objetivando focar em 
áreas específicas, desenvolvendo assim data marts gradativos, de modo que se possa, ao 
fim de cada etapa, evoluir em termos de complexidade e volume de informações as ferra-
mentas descritas na Figura 2. Cada uma dessas etapas seriam estabelecidas num planeja-
mento integrado, com metas parciais, que, após serem atingidas, seriam avaliadas, redi-
mensionadas e realimentadas para redefinição da próxima etapa. 
 Assim, num primeiro momento seria realizado o planejamento integrado do data 
warehouse, juntamente com os data marts e as ferramentas OLAP, EIS e data mining. 
Nesse planejamento seriam estabelecidas metas parciais a serem atingidas. 
 Num segundo momento, após o planejamento integrado, inicia-se o desenvolvimen-
to do data warehouse, que vai ser desenvolvido de forma evolutiva. 
 Posteriormente, a partir de atingido os objetivos da primeira etapa, inicia-se a povo-
ação dos data marts, juntamente com o início do desenvolvimento das ferramentas OLAP, 
EIS e data mining. Note que o data mining vai sendo realizado diretamente no data ware-
house. 
 A partir daí, todos os sistemas evoluem em conjunto, cumprindo metas parciais, 
produzindo resultados imediatos a curto prazo; resultados esses em forma de aumento pro-
dução, aumento de vendas, melhorias de marketing, etc., dependendo do foco inicial dado 
pelo planejamento integrado e da efetividade com que essas informações serviram às pes-
soas que tomam decisão na empresa. 
 Da forma como a teoria propõe, os sistemas são desenvolvidos numa seqüência 
vertical (Figura 1). No modelo aqui proposto, o desenvolvimento seria de modo também 
sequencial, mas horizontal, se comparado com a mesma figura. Isso faz com que a com-
plexidade do desenvolvimento da forma como é proposto na teoria seja distribuída no de-
correr das etapas planejadas, com a diferença de que já a partir da segunda etapa de desen-
volvimento, as ferramentas de apoio à tomada de decisão podem estar atuando. 
 Não é uma tarefa simples seguir este modelo. É preciso muito raciocínio e conhe-
cimento dos dados e das informações da empresa e um bom planejamento. Deve haver 
pessoas na equipe que se dediquem a desenvolver suas criatividades e conhecimentos, que 
não são contemplados no ambiente de trabalho atual, onde torna-se cada vez mais necessá-
rio um modelo de gestão do conhecimento associado às pessoas que irão implementar este 
novo modelo de desenvolvimento de sistemas. 
 A complexidade do modelo teórico existente se dá pelo fator tempo que é requerido 
em grande quantidade. Já para esse novo modelo a complexidade se dá no conhecimento, 
e não no tempo, necessário para seu desenvolvimento. 
 Ou seja, a empresa que souber gerenciar o conhecimento de forma efetiva desen-
volverá sistemas mais rapidamente e com resultados parciais que podem trazer juntos re-
tornos sobre o investimentos elevados a curto prazo. 
 
6.1. A Questão do Capital Humano 
 
 A empresa e as pessoas precisam assimilar a cultura de que essas tecnologias são 
melhor aproveitadas quando as pessoas que as utilizam se dedicam a evoluir o conheci-
mento acerca dos diversos atores institucionais e a realizar atividades com prazer e realiza-
ção pessoal. 
 A gestão do conhecimento é necessária para que se tenha resultados com efetivida-
de (eficiência e eficácia). Portanto, esta é um ponto crítico para se ter diferencial competi-
tivo, e a inteligência é o fator principal para conquista desse diferencial, que passa a ser 
 8
comparada com o trabalho e o capital quando esses eram os diferenciais competitivos ante-
riores. 
 Dentro desse contexto, outro ponto importante é a aprendizagem contínua do capi-
tal humano, ou seja, as pessoas que produzem conhecimento dentro da organização. Com a 
aprendizagem contínua as pessoas aumentam a capacidade de criar o futuro, sentir as mu-
danças no cenário competitivo, criar inovações, extrair aprendizagem da experiência diária 
(dos sucessos e fracassos), e criar um clima que alimente a criatividade das pessoas. 
 Ainda dentro da gestão do conhecimento, o benchmarking deve ser visto como 
forma sistemática de aprendermais rápido, e a organização deve aprender a aprender. 
 Surge, então, um novo patamar além do dado, da informação e do conhecimento: o 
saber. De acordo com Santos (1998): 
• Dado é um registro a respeito de um determinado evento (um sinal) para 
o sistema; 
• Informação é um conjunto de dados com determinado significado para 
o sistema; 
• Conhecimento é a informação que, devidamente tratada, muda o com-
portamento do sistema; e 
• Saber é um conjunto de conhecimentos a respeito de um determinado 
tema utilizado para a resolução de problemas no sistema. 
 O conhecimento passa a ser um recurso primário para esse novo ambiente. A ges-
tão desse recurso deve fazer com que as pessoas o trabalhem para gerar o saber, num pro-
cesso contínuo, visto que a tendência vislumbrada é de uma mudança de cenário a cada 
curto intervalo de tempo, o chamado ciclo da obsolescência, onde as pessoas tem sempre 
que estar se reciclando para não ficarem com os conhecimentos ultrapassados. 
 Por fim, um ponto que merece destaque é a questão da importância do capital hu-
mano nesse novo cenário. É fundamental as empresas manterem essas pessoas em seus 
quadros, visto que os dados, a informação e o conhecimento são algo que podem ser com-
partilhados, porém o saber e a competência estão inerentes a cada indivíduo, e quando o 
mesmo sai da empresa todas essas qualidades inerentes vão juntos, e a empresa pode sofrer 
o impacto dessa perda. 
 
6. Conclusões 
 
 Mudanças tecnológicas, principalmente quando é vislumbrada uma nova filosofia 
de organização do trabalho, e redesenho da informação e da empresa, requerem mudanças 
comportamentais como fator crítico de sucesso da tecnologia. 
 Mudanças de comportamento como um fenômeno organizacional tomam tempo e 
não são espontâneas. Requerem a definição de uma estratégia clara, que leve em conside-
ração vários fatores, além de conscientização do usuário para a necessidade pelo engaja-
mento nas novas filosofias de trabalho baseado no conhecimento e na tecnologia, como 
suporte, para a sobrevivência do negócio da empresa e descoberta de novos mercados. 
 Uma organização para atingir seu objetivo deve dar “sinais” claros da importância 
do “capital humano” que ela detém; deve buscar a satisfação dos seus colaboradores com o 
ambiente no qual trabalham. 
 Para lidar com o fator tempo (mudanças de comportamento levam tempo para se 
efetivarem como um fenômeno organizacional homogêneo), é necessário que a organiza-
ção estabeleça metas parciais no desenvolvimento da própria infraestrutura de informática 
de suporte aos negócios (data warehouse, data marts, OLAP, EIS, data mining, etc...). 
 9
 Metas parciais indicam progresso, mostram resultados concretos e estabelecem uma 
relação de custo/benefício positiva, conquistam o usuário e o suporte da alta gerência, dis-
seminando uma cultura voltada para a integração e padronização de dados. 
 Portanto, considera-se o modelo proposto adequado a atender às necessidades de 
otimização do tempo de implementação dessas tecnologias de suporte à decisão, visto que 
o fator tempo é substituído pelo fator conhecimento. A gestão do conhecimento, e não do 
tempo, torna-se o fator crítico, e sendo bem conduzida pode trazer retornos imediatos. 
 
7. Referências 
 
BRACKETT, Michael H. The Data Warehouse Challenge: Taming Data Chaos. USA: 
Wiley, 1996. (ISBN 0-471-12744-2). 
GROTH, Robert. Data Mining: A hands-on approach for business professionals. New 
Jersey, USA: Prentice Hall, 1998. 
HARRISON, Thomas H. Intranet Data Warehouse. São Paulo: Berkeley, 1998. (ISBN 
85-7251-460-0). 
INMON, W. H. Como Construir o Data Warehouse. Rio de Janeiro: Campus, 1997. 
(ISBN 0471-14161-5). 
KIMBALL, R. INMON, W. H. The Data Warehouse Toolkit: practical techniques for 
building dimensional data warehouses. USA: John Wiley & Sons, 1996. (ISBN 0-
471-15337-0) 
LAUDON, K. C., LAUDON, J. P. Management Information Systems: Organization and 
Technology. New Jersey: Prentice Hall, 1996, 4a edição.(ISBN0-13-213778-X) 
MEYER, Don, CANNON, Casey. Building a Better Data Warehouse. NJ/USA: Prentice 
Hall, 1998. (ISBN 0-13-890757-9). 
SANTOS, Neri dos. Notas de Aula. Disciplina: Introdução à Inteligência Competitiva. 
IN: http://www.eps.ufsc.br/~neri. EPS/UFSC: Florianópolis-SC, 1998. 
WATSON, Hugh J., RAINER Jr, R. Kelly, HOUDESHEL, George. Building Executive 
Information Systems and other Decision Support Applications. USA: John Wiley 
& Sons, 1997. (ISBN 0-471-06930-2) 
 
 
 10